10月8日，John J. Hopfield和Geoffrey E. Hinton因通过神经网络对现代机器学习作出的奠基性贡献，获得 2024 年诺贝尔物理学奖。 消息一经发出，立刻引起巨大讨论。 争议的焦点在于，此前人们预测中的夺奖热门凝聚态物理或量子物理爆冷，反而是人工智能/机器学习领域中的神经网络成为最后赢家。 面对这一出人意料的结果，甚至连Hinton本人都在接受电话采访时表示：“完全没想到”。 而就在今天，2024诺贝尔化学奖也花落计算蛋白质设计和蛋白质结构预测，由开发了Alphafold的John M. Jumper和Demis Hassabis，以及美国西雅图华盛顿大学蛋白质设计研究所所长David Baker平分。 不难发现，今年的诺奖“AI含量”显著提升，而这背后，代表着人工智能驱动科学研究（AI for Science, AI4S）的大势所趋。
科学，AI的下一个主战场
通俗来说，AI for Science（AI4S）就是使用AI来增强科学研究能力，包括提高建模的准确性、设计新的实验、更高效地处理数据等等，已成为一种新的研究范式。 斯坦福大学李飞飞团队发布的《2024年人工智能指数报告》显示，人工智能自2022年起开始应用于推进科学发现，而进入2023年，一系列具有重大意义的与科学相关的人工智能相继推出。 在2024年的英伟达GTC大会，AI4S、大语言模型、具身智能成为英伟达CEO黄仁勋提到的AI领域的三大关键方向。 AI提供了一套可以促进科学发现的工具，其中最为突出、最有潜力的用途则是设计具有特定性能的新材料和新分子。 中国科学院院士鄂维南表示：科学计算只有两类问题，一类已经解决，比如汽车制造、飞机制造等；一类还没有解决，包括经常提到的材料、生物制药等，AI4S就是为了推动后者。 不久前，谷歌的DeepMind开发了一款名为GNoME的深度学习工具，在短时间内就发现了 220 万种新晶体（相当于人类科学家近 800 年的知识积累），其中38万种新晶体具备稳定的结构。 去年12月，麻省理工学院 James Collins 教授团队利用AI从超过1200万种化合物中识别出一种新型抗生素类型，可以杀死临床上常见的超级细菌——耐甲氧西林金黄色葡萄球菌，该成果被发表在Nature上。 近年来，众多研究显示，AI在处理微观尺度物理模拟时能够有效解决“维度灾难”问题，为物理学、生物学、化学等领域的前沿科研提供了无限可能。
